BLIP（image-caption-large-copy）开源视觉语言模型

首页

Image Caption Large Copy

由 Sof22 开发

BLIP是一个先进的视觉-语言预训练模型，擅长图像描述生成任务，通过引导式标注策略有效利用网络数据

图像生成文本

Transformers

开源协议:Bsd-3-clause #多模态图文理解 #零样本迁移 #高质量描述生成

下载量 1,042

发布时间 : 9/19/2023

模型简介

该模型是基于COCO数据集预训练的图像描述生成模型，采用ViT大型骨干网络架构，支持条件式和非条件式图像描述生成

模型特点

统一视觉-语言框架

可灵活迁移至视觉-语言理解与生成任务

引导式标注策略

通过标注器生成合成描述，过滤器清除低质量样本，有效利用噪声网络数据

多任务支持

支持视觉-语言检索、图像描述生成和视觉问答等多种任务

模型能力

图像描述生成

视觉-语言理解

多模态任务处理

使用案例

内容生成

自动图像标注

为社交媒体或内容管理系统中的图像自动生成描述

提高内容可访问性和搜索引擎优化

辅助技术

视障人士辅助

为视障用户生成图像的文字描述

增强数字内容可访问性

🚀 BLIP：用于统一视觉语言理解和生成的语言图像预训练引导

BLIP是一个新的视觉语言预训练（VLP）框架，它能够灵活地迁移到视觉语言理解和生成任务中。本模型是经过微调的Salesforce BLIP大型图像字幕模型，尤其增加了回复长度，可用于图像字幕生成任务。


图片来源于BLIP官方仓库

📚 详细文档

论文 BLIP: Bootstrapping Language-Image Pre-training for Unified Vision-Language Understanding and Generation 的作者在摘要中写道：

视觉语言预训练（VLP）提升了许多视觉语言任务的性能。然而，大多数现有的预训练模型仅在基于理解的任务或基于生成的任务中表现出色。此外，性能的提升主要是通过扩大从网络收集的带有噪声的图像文本对数据集来实现的，而网络数据是一种次优的监督来源。在本文中，我们提出了BLIP，一个新的VLP框架，它可以灵活地迁移到视觉语言理解和生成任务中。BLIP通过引导字幕有效地利用了有噪声的网络数据，其中一个字幕生成器生成合成字幕，一个过滤器去除有噪声的字幕。我们在广泛的视觉语言任务中取得了最先进的结果，如图像文本检索（平均召回率@1提高了2.7%）、图像字幕生成（CIDEr提高了2.8%）和视觉问答（VQA分数提高了1.6%）。BLIP在以零样本方式直接迁移到视频语言任务时也表现出了很强的泛化能力。代码、模型和数据集已发布。

💻 使用示例

你可以使用此模型进行条件和无条件的图像字幕生成。

基础用法

使用PyTorch模型

在CPU上运行模型

点击展开

import requests
from PIL import Image
from transformers import BlipProcessor, BlipForConditionalGeneration

processor = BlipProcessor.from_pretrained("Salesforce/blip-image-captioning-large")
model = BlipForConditionalGeneration.from_pretrained("Salesforce/blip-image-captioning-large")

img_url = 'https://storage.googleapis.com/sfr-vision-language-research/BLIP/demo.jpg' 
raw_image = Image.open(requests.get(img_url, stream=True).raw).convert('RGB')

# 条件图像字幕生成
text = "a photography of"
inputs = processor(raw_image, text, return_tensors="pt")

out = model.generate(**inputs)
print(processor.decode(out[0], skip_special_tokens=True))

# 无条件图像字幕生成
inputs = processor(raw_image, return_tensors="pt")

out = model.generate(**inputs)
print(processor.decode(out[0], skip_special_tokens=True))

在GPU上运行模型

全精度运行

点击展开

import requests
from PIL import Image
from transformers import BlipProcessor, BlipForConditionalGeneration

processor = BlipProcessor.from_pretrained("Salesforce/blip-image-captioning-large")
model = BlipForConditionalGeneration.from_pretrained("Salesforce/blip-image-captioning-large").to("cuda")

img_url = 'https://storage.googleapis.com/sfr-vision-language-research/BLIP/demo.jpg' 
raw_image = Image.open(requests.get(img_url, stream=True).raw).convert('RGB')

# 条件图像字幕生成
text = "a photography of"
inputs = processor(raw_image, text, return_tensors="pt").to("cuda")

out = model.generate(**inputs)
print(processor.decode(out[0], skip_special_tokens=True))

# 无条件图像字幕生成
inputs = processor(raw_image, return_tensors="pt").to("cuda")

out = model.generate(**inputs)
print(processor.decode(out[0], skip_special_tokens=True))

半精度（`float16`）运行

点击展开

import torch
import requests
from PIL import Image
from transformers import BlipProcessor, BlipForConditionalGeneration

processor = BlipProcessor.from_pretrained("Salesforce/blip-image-captioning-large")
model = BlipForConditionalGeneration.from_pretrained("Salesforce/blip-image-captioning-large", torch_dtype=torch.float16).to("cuda")

img_url = 'https://storage.googleapis.com/sfr-vision-language-research/BLIP/demo.jpg' 
raw_image = Image.open(requests.get(img_url, stream=True).raw).convert('RGB')

# 条件图像字幕生成
text = "a photography of"
inputs = processor(raw_image, text, return_tensors="pt").to("cuda", torch.float16)

out = model.generate(**inputs)
print(processor.decode(out[0], skip_special_tokens=True))
# >>> a photography of a woman and her dog

# 无条件图像字幕生成
inputs = processor(raw_image, return_tensors="pt").to("cuda", torch.float16)

out = model.generate(**inputs)
print(processor.decode(out[0], skip_special_tokens=True))
# >>> a woman sitting on the beach with her dog

📄 许可证

本模型使用的许可证为BSD 3条款许可证（BSD-3-Clause）。

📖 BibTex引用信息

@misc{https://doi.org/10.48550/arxiv.2201.12086,
  doi = {10.48550/ARXIV.2201.12086},
  
  url = {https://arxiv.org/abs/2201.12086},
  
  author = {Li, Junnan and Li, Dongxu and Xiong, Caiming and Hoi, Steven},
  
  keywords = {Computer Vision and Pattern Recognition (cs.CV), FOS: Computer and information sciences, FOS: Computer and information sciences},
  
  title = {BLIP: Bootstrapping Language-Image Pre-training for Unified Vision-Language Understanding and Generation},
  
  publisher = {arXiv},
  
  year = {2022},
  
  copyright = {Creative Commons Attribution 4.0 International}
}